前面的文章了不起给大家介绍了 langchain 的一些基本知识，没看过的小伙伴可以点击这里去看下，今天了不起给大家介绍一下 langchain 的第一个很重要的组件模型 model。
注意这里说的模型是指 LangChain 的模型组件，而不是指类似于 OpenAI 的语言模型，之所以 LangChain 会出现模型组件就是因为业内的语言模型太多了，除了 OpenAI 这家公司的语言模型之外，还很有很多其他家的。
LangChain 的模型组件有三种类型，分别是 LLM 大语言模型，Chat Model 聊天模型和文本嵌入模型 Text Embedding Models。
LLM 大语言模型
LLM 作为最基本的一种模型组件，输入和输出都只支持字符串，在大部分的场景下就可以满足我们的需求了。我们可以在 Colab([https://colab.research.google.com) 上面直接写 Python 代码
举个栗子
下面是一个 case，先安装依赖，再执行下面的代码。
立即学习“Java免费学习笔记（深入）”；
pip install openaipip install langchain
import os# 配置OpenAI 的 API KEYos.environ["OPENAI_API_KEY"] ="sk-xxx"# 从 LangChain 中导入 OpenAI 的模型from langchain.llms import OpenAI# 三个参数分别代表OpenAI 的模型名称，执行的次数和随机性，数值越大越发散llm = OpenAI(model_name="text-davinci-003", n=2, temperature=0.3)llm.generate(["给我讲一个故事", "给我讲一个笑话"])
运行的结果如下
☞☞☞AI 智能聊天, 问答助手, AI 智能搜索, 免费无限量使用 DeepSeek R1 模型☜☜☜
Chat Model 聊天模型
Chat Model 是基于 LLM 模型的，只不过 Chat Model 相对于 LLM 模型组件间输入和输出更加结构化，输入和输出的参数的类型都是 Chat Model，而不是简单的字符串。常用的 Chat Model 类型有如下几种
- AIMessage：用来保存 LLM 的响应，以便在下次请求时把这些信息传回给 LLM。
- HumanMessage：发送给 LLMs 的提示信息，比如“实现一个快速排序方法”
- SystemMessage：设置 LLM 模型的行为方式和目标。你可以在这里给出具体的指示，比如“作为一个代码专家”，或者“返回 json 格式”。
- ChatMessage：ChatMessage 可以接收任意形式的值，但是在大多数时间，我们应该使用上面的三种类型。
举个栗子
from langchain.chat_models import ChatOpenAIfrom langchain.schema import (AIMessage,HumanMessage,SystemMessage)chat = ChatOpenAI(temperature=0)messages = [SystemMessage(cnotallow="返回的数据markdown 语法进行展示，代码使用代码块包裹"),HumanMessage(cnotallow="用 Java 实现一个二分查找算法")]print(chat(messages))
生成的内容字符串形式如下
折半查找算法是一种用于在有序数组中查找特定元素的搜索算法，也称为二分查找算法。该算法的时间复杂度为 O(log n)。\n\n以下是 Java 实现二分查找算法的代码：\n\njava\npublic class BinarySearch {\n public static int binarySearch(int[] arr, int target) {\n int left = 0;\n int right = arr.length - 1;\n while (left <= right) {\n int mid = (left + right) / 2;\n if (arr[mid] == target) {\n return mid;\n } else if (arr[mid] < target) {\n left = mid + 1;\n } else {\n right = mid - 1;\n }\n }\n return -1;\n }\n\n public static void main(String[] args) {\n int[] arr = {1, 3, 5, 7, 9};\n int target = 5;\n int index = binarySearch(arr, target);\n if (index != -1) {\n System.out.println("目标元素 " + target + " 在数组中的下标为 " + index);\n } else {\n System.out.println("目标元素 " + target + " 不在数组中");\n }\n }\n}\n\n\n在上述代码中，binarySearch 方法接收一个有序数组和一个目标元素，返回目标元素在数组中的下标，如果目标元素不在数组中，则返回 -1。\n\n在 binarySearch 方法中，使用两个指针 left 和 right 分别指向数组的左右两端，然后在一个 while 循环中不断缩小查找范围，直到找到目标元素或者查找范围为空。在每次循环中，计算中间位置 mid，然后将目标元素与中间位置的元素进行比较，如果相等，则返回中间位置的下标；如果目标元素比中间位置的元素大，则将左指针移到中间位置的右边；如果目标元素比中间位置的元素小，则将右指针移到中间位置的左边。' additional_kwargs={} example=False
将 content 里面的内容提取出来，用 markdown 语法展示出来是这样的
使用这个模型组件，可以进行一些角色的预设，然后来定制个性化的问答。
Prompts template
from langchain.chat_models import ChatOpenAIfrom langchain.prompts import (ChatPromptTemplate,PromptTemplate,SystemMessagePromptTemplate,AIMessagePromptTemplate,HumanMessagePromptTemplate,)from langchain.schema import (AIMessage,HumanMessage,SystemMessage)system_template="你是一个把{input_language}翻译成{output_language}的助手"system_message_prompt = SystemMessagePromptTemplate.from_template(system_template)human_template="{text}"human_message_prompt = HumanMessagePromptTemplate.from_template(human_template)chat_prompt = ChatPromptTemplate.from_messages([system_message_prompt, human_message_prompt])messages = chat_prompt.format_prompt(input_language="英语", output_language="汉语", text="I love programming.")print(messages)chat = ChatOpenAI(temperature=0)print(chat(messages.to_messages()))output
messages=[SystemMessage(cnotallow='你是一个把英语翻译成汉语的助手', additional_kwargs={}), HumanMessage(cnotallow='I love programming.', additional_kwargs={}, example=False)] cnotallow='我喜欢编程。example=False, additional_kwargs={}
文本嵌入模型 Text Embedding Models
文本嵌入模型组件相对比较难理解，这个组件接收的是一个字符串，返回的是一个浮点数的列表。在 NLP 领域中 Embedding 是一个很常用的技术，Embedding 是将高维特征压缩成低维特征的一种方法，常用于自然语言处理任务中，如文本分类、机器翻译、推荐系统等。它将文本中的离散数据如单词、短语、句子等，映射为实数向量，以更好地进行神经网络处理和学习。通过 Embedding，文本数据可以被更好地表示和理解，提高了模型的表现力和泛化能力。
举个栗子
from langchain.embeddings import OpenAIEmbeddingsembeddings = OpenAIEmbeddings()text = "hello world"query_result = embeddings.embed_query(text)doc_result = embeddings.embed_documents([text])print(query_result)print(doc_result)
output
[-0.01491016335785389, 0.0013780705630779266, -0.018519161269068718, -0.031111136078834534, -0.02430146001279354, 0.007488010451197624,0.011340680532157421, 此处省略 .......
总结
今天给大家介绍了一下 LangChain 的模型组件，有了模型组件我们就可以更加方便的跟各种 LLMs 进行交互了。
参考资料
官方文档：https://python.langchain.com/en/latest/modules/models.html
